Practical applications of neural network with Kolmogorov-Arnold layers in spectral analysis

En el silencioso zumbido de un laboratorio, la luz a menudo cuenta una historia que el ojo humano no puede ver. Cuando un haz de luz infrarroja pasa a través de una sustancia, las moléculas dentro de esa sustancia absorben frecuencias específicas, creando un patrón único de picos y valles conocido como espectro. Este patrón actúa como una huella dactilar química, revelando exactamente de qué está hecho el material. Durante décadas, los científicos han dependido de estas huellas dactilares para identificar desde la pureza de un medicamento hasta el tipo de plástico en una botella. Sin embargo, leer estos complejos patrones a mano es lento y propenso a errores. En años recientes, los investigadores han recurrido a la inteligencia artificial para automatizar este proceso, entrenando programas informáticos para reconocer estas firmas químicas con velocidad y precisión. Si bien los modelos informáticos estándar se han vuelto bastante buenos en esto, un nuevo enfoque está surgiendo que promete ser aún más eficiente, particularmente cuando los datos son desordenados, escasos o difíciles de leer.

Un equipo de investigadores de Polonia ha puesto a prueba este nuevo enfoque en una serie de experimentos prácticos que involucran la seguridad alimentaria y la ciencia de materiales. Se centraron en un tipo específico de arquitectura de red neuronal que combina capas convolucionales tradicionales con un componente más nuevo llamado capas de Kolmogorov-Arnold. Para entender la diferencia, imagine una neurona informática estándar como un trabajador que recibe una lista de números, los multiplica por pesos fijos, los suma y luego pasa el resultado a través de un filtro único y rígido. En contraste, la neurona de Kolmogorov-Arnold actúa más como un instrumento flexible; en lugar de usar un filtro fijo, aprende una función matemática única y curva para cada entrada que recibe. Esto permite que la red adapte su lógica interna de manera mucho más fluida a la forma específica de los datos que está analizando. Los investigadores querían ver si este diseño flexible podía superar al diseño estándar y rígido cuando se enfrentaba a desafíos del mundo real como tamaños de muestra pequeños, datos de baja resolución y la necesidad de distinguir entre muchas categorías diferentes a la vez.

Para probar su teoría, el equipo reunió cuatro conjuntos distintos de datos, cada uno representando un problema diferente del mundo real. El primer desafío involucró la detección de fraude en puré de fresa. En este escenario, el objetivo era determinar si un frasco de puré de fresa costoso había sido mezclado secretamente con ingredientes más baratos como puré de manzana o azúcar. Los datos proporcionados para esta tarea eran difíciles; los espectros eran cortos, conteniendo solo 235 puntos de datos, y la colección de muestras estaba desequilibrada, con muchos más ejemplos de alimentos adulterados que de alimentos puros. A pesar de estos obstáculos, la nueva arquitectura de red identificó con éxito las muestras adulteradas. Funcionó ligeramente mejor que el modelo estándar, logrando una tasa de precisión más alta incluso cuando los datos de entrenamiento eran limitados y la señal era débil. Esto sugiere que la naturaleza flexible de las capas de Kolmogorov-Arnold ayuda al modelo a encontrar pistas químicas sutiles que un modelo rígido podría pasar por alto.

El segundo experimento llevó los límites de la disponibilidad de datos aún más lejos. Los investigadores recurrieron a la clasificación de especies de café, específicamente tratando de distinguir entre granos de Robusta y Arabica basándose en sus espectros infrarrojos. Este conjunto de datos era increíblemente pequeño, conteniendo solo 28 muestras para el entrenamiento y 28 para la prueba. En el mundo del aprendizaje automático, un conjunto de datos tan diminuto suele considerarse insuficiente para entrenar un modelo informático complejo. Sin embargo, la nueva arquitectura logró aprender la diferencia entre los dos tipos de café de manera efectiva. Demostró que este tipo de red no requiere necesariamente cantidades masivas de datos para encontrar un patrón, lo que la convierte en una herramienta prometedora para situaciones donde recolectar cientos o miles de muestras es imposible o demasiado costoso.

Pasando de los alimentos a la industria, el equipo abordó la clasificación de polímeros plásticos, una tarea crítica para el reciclaje y la gestión de residuos. Aquí, el objetivo era clasificar seis tipos diferentes de plásticos comunes, incluyendo tereftalato de polietileno (PET) y policloruro de vinilo (PVC). Esta era una tarea más compleja porque el modelo tenía que elegir entre seis categorías en lugar de solo dos. El conjunto de datos era grande y equilibrado, conteniendo un total de 3,000 espectros. La nueva arquitectura de red manejó este problema multiclasificación con alta efectividad, identificando correctamente el tipo de plástico en la gran mayoría de los casos. Los resultados confirmaron que el sistema no solo es bueno para preguntas simples de sí o no, sino que también es lo suficientemente robusto como para manejar las diferencias matizadas entre múltiples materiales similares.

Finalmente, los investigadores probaron la capacidad del sistema para realizar mediciones no invasivas, una técnica que permite el análisis sin abrir un contenedor. Utilizaron luz visible e infrarroja cercana para determinar la concentración de alcohol en botellas selladas de bebidas. El desafío aquí era que la luz tenía que pasar a través de la botella de vidrio, y la forma y el material de la botella misma podrían interferir con la lectura. El conjunto de datos incluía cuatro concentraciones de alcohol diferentes, y el conjunto de prueba utilizó botellas que eran diferentes a las del conjunto de entrenamiento para asegurar que el modelo estuviera aprendiendo sobre el líquido y no sobre el contenedor. La red identificó con éxito los niveles de alcohol, demostrando que podía filtrar el ruido de la botella para enfocarse en la firma química del líquido en su interior. Esta capacidad apunta hacia un futuro donde el control de calidad podría ocurrir instantáneamente en el estante de una tienda sin romper el sello.

A través de los cuatro experimentos, los investigadores compararon su nueva red de Kolmogorov-Arnold contra una red neuronal convolucional estándar. Para asegurar una comparación justa, igualaron el número de parámetros ajustables en ambos modelos, lo que significa que el nuevo modelo no era simplemente más grande o complejo, sino estructuralmente diferente. En cada caso, desde el diminuto conjunto de datos de café hasta el gran conjunto de datos de plásticos, la nueva arquitectura funcionó tan bien como o mejor que el modelo estándar. Los resultados fueron consistentes a través de múltiples ejeciones de entrenamiento, mostrando la nueva red una ventaja ligera pero confiable en precisión. El estudio concluye que esta arquitectura es una herramienta versátil para el análisis espectral, capaz de manejar desde la detección de fraude alimentario de baja resolución hasta la clasificación industrial compleja. Ofrece un camino a seguir para automatizar el análisis químico en situaciones donde los datos son escasos, ruidosos o difíciles de obtener, haciendo potencialmente que el control de calidad sea más rápido y accesible en el mundo real.